WARNING: This article may be obsoleteThis post was published in 2021-09-14. Obviously, expired content is less useful to users if it has already pasted its expiration date.
This article is categorized as "Garbage" . It should NEVER be appeared in your search engine's results.Table of Contents
有关mathjax渲染不出来的问题
有关mathjax渲染问题：
有的时候你会发现你的一篇wordpress文章莫名其妙有一两个公式就是无法被mathjax渲染，在编辑器里看起来一切都很正常：
其实里面有一个公式在wordpress数据库里存储成了这个样子，但是它不会被古腾堡编辑器显示出来（因为默认是edit visually）
有关Linear Regression的一些基本概念
有关linear regression
wiki: https://en.wikipedia.org/wiki/Linear_regression
https://www.colorado.edu/amath/sites/default/files/attached-files/ch12_0.pdf 第7页
公式：[mathjax]Y=\beta X+\varepsilon[/mathjax]
random variables是什么？
[mathjax]Y[/mathjax]是random variable，同时[mathjax]\varepsilon[/mathjax]也是random variable .model parameters有哪些？
有[mathjax]\beta[/mathjax]（regression coefficients）
剩下的呢？
[mathjax]x[/mathjax]是固定变量（fixed variable）-----
要不要考虑其他的linear regression model?
比如最简单的linear regression:
[mathjax]y(x,w)=\omega_0+\omega_1 x +\ldots +\omega_D x_D+\varepsilon[/mathjax]如果input variable [mathjax]x_i[/mathjax]是fixed variable，那么[mathjax]y[/mathjax]是random variable; [mathjax]\omega[/mathjax]是model parameter;[mathjax]\varepsilon[/mathjax]属于arbitrary quantity.
------
后续：在https://machinelearningmastery.com/linear-regression-for-machine-learning/ 的评论区里搜索可以找到有关random variables的讨论
https://stats.stackexchange.com/questions/485011/what-is-a-random-variable-and-what-isnt-in-regression-models 能够找到有关random variables的深入讨论，但是首先可以看一个更简单的问题：https://stats.stackexchange.com/questions/148522/what-is-a-random-variable-in-the-definition-of-a-linear-regression-model
------
还要考虑polynomial regression
有关linear regression regularization
它的作用是什么？它是如何改变（原始linear regression）训练模型的？这个模型有何不同？
最后的问题有点表述不明，但暂时用这个进行了替代：https://www.youtube.com/watch?v=sO4ZirJh9ds
有关generative model
有关generative model
由于generative model分类众多，先默认为Probabilistic Generative Model
generative model/linear regression model/logistic regression model，它们三者各自的random variable是什么？有什么区别？
搜索关键词：【比较generative model（判别模型）和discriminative model（生成模型）】，然后从里面找出对random variable的比较
首先是wikipedia的区别：
https://home.ttic.edu/~suriya/website-intromlss2018/course_material/Day5a.pdf 这里有一些详细的介绍 不太浅显易懂
可以连带学习朴素贝叶斯，顺便解决这个问题
朴素贝叶斯的简单介绍 https://zhuanlan.zhihu.com/p/26262151，需要后续思考这个评论：
首先写的真的很好，然后就是措辞上可能有点问题，条件独立和事件独立是不一样的，条件独立是conditional independence，和特征之间的independent 不一样，而且conditional independence应该是一种假设，应该无法推导出来。应该写成特征|类别的条件独立（conditional independence），不能写成特征之间独立（independent)。这是我的想法。
https://zhuanlan.zhihu.com/p/26262151
查询关键词【朴素贝叶斯 随机变量】
https://nlp.stanford.edu/IR-book/html/htmledition/properties-of-naive-bayes-1.html 看起来在generative model里，首先输入的[mathjax]X_i[/mathjax]就属于random variable ，这就和linear regression不一样了，因为linear regression将输入的[mathjax]X_i[/mathjax]视为fixed variable. 最后结合wikipedia的definition就可以做出简要对比。
Bayes Nets are a compact way to represent the Joint Distribution of a set of Random Variables.
https://nlp.stanford.edu/IR-book/html/htmledition/properties-of-naive-bayes-1.html
基于朴素贝叶斯的文本分类器
朴素贝叶斯相关：朴素贝叶斯的最根本/最主要假设是什么？
All features/predictors are independent
[mathjax]P(X_1,X_2\ldots X_k|Y)=\prod_{i=1}^k P(X_i|Y)[/mathjax]有关朴素贝叶斯的文本分类器
如果在计算过程中打乱文本顺序，会不会对后续的MAP estimate造成影响？
大概是不会的，https://alex.smola.org/teaching/cmu2013-10-701/slides/2_Statistics.pdf 第61页
首先先假设这个文本分类器模型为：Bag-of-words model
https://www.cs.cmu.edu/~aarti/Class/10315_Fall19/lecs/Lecture4.pdf
但以上网页都没有100%覆盖【steps】，也就是【为什么map estimate还要在分步步骤里完成？】
https://www.cs.cmu.edu/~10601b/slides/GNBayes.pdf 这个更详细一些
